Využití neuronových sítí pro stanovení zátěžových zón

Simple item page
but.committeeprof. Ing. Martin Augustynek, Ph.D. (předseda) Ing. Martin Mézl, Ph.D. (místopředseda) Ing. Jakub Hejč, Ph.D. (člen) Ing. Lukáš Smital, Ph.D. (člen) Ing. Jiří Chmelík, Ph.D. (člen) Ing. Jiří Sekora, MBA (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Mézl položil otázku: Dá se laktát měřit kontinuální metodou? Co když subjekt v rámci zátěže půjde do maximální zátěže? Byly rozdílné výsledky mezi aktivitou na pásu nebo egonometru? Ing. Hejč položil otázku: Na základě čeho jste použil hybridní architekturu sítě? Jaká je interpretace zpřesnění odhadu? Jak dlouho trvalo trénování modelu? Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.cs
but.jazykslovenština (Slovak)
but.programBioinženýrstvícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorJanoušek, Otosk
dc.contributor.authorJaroš, Oliversk
dc.contributor.refereeSmital, Lukášsk
dc.date.accessioned2025-06-18T04:01:29Z
dc.date.available2025-06-18T04:01:29Z
dc.date.created2025cs
dc.description.abstractCieľom tejto diplomovej práce je preskúmať využitie umelých neurónových sietí na predikciu aeróbneho (HRVT1) a anaeróbneho prahu (HRVT2) na základe analýzy variability srdcovej frekvencie (HRV) počas progresívneho záťažového testu. Zameriava sa na aplikáciu detrendovanej analýzy fluktuácií (DFA 1), ktorá hodnotí komplexitu kardiovaskulárnej odozvy a slúži ako neinvazívny ukazovateľ fyziologických prahov. V spolupráci s akreditovaným centrom športovej diagnostiky bola vytvorená databáza 119 HRV záznamov, s referenčnými prahmi určenými pomocou laktátovej krivky a spotreby kyslíka (VO2). Navrhnuté boli dva modely hlbokého učenia (CNN a LSTM): prvý predikuje HRVT1 a HRVT2, druhý segmentuje pravdepodobnosť výskytu prahov v čase. Modely boli optimalizované bayesovskou metódou (Optuna), čo viedlo k zníženiu validačnej chyby a vyššej stabilite učenia. Výsledky ukazujú, že modely dosahujú vyššiu presnosť než klasická DFA 1 metóda – najmä druhý model pri HRVT2 (MAE = 2,69 bpm). Navrhnutý prístup tak predstavuje perspektívne riešenie pre automatizované a neinvazívne určovanie tréningových prahov pomocou umelej inteligencie.sk
dc.description.abstractThis diploma thesis explores the use of artificial neural networks to predict aerobic (HRVT1) and anaerobic thresholds (HRVT2) based on heart rate variability (HRV) analysis during progressive cardiovascular load testing. It focuses on detrended fluctuation analysis (DFA 1), which quantifies cardiovascular complexity and serves as a non-invasive indicator of physiological thresholds. In cooperation with an accredited diagnostics center, an HRV dataset of 119 subjects was collected, with reference thresholds determined via lactate curves and oxygen consumption (VO2). Two deep learning models were designed (CNN and LSTM): the first predicts HRVT1 and HRVT2, the second segments threshold probability over time. The models were optimized using Bayesian hyperparameter tuning (Optuna), which reduced validation error and improved training stability. Results show that both models outperformed the classical DFA 1 method, especially the second model in HRVT2 prediction (MAE = 2.69 bpm). The proposed approach represents a promising tool for automated, non-invasive threshold detection using artificial intelligence.en
dc.description.markAcs
dc.identifier.citationJAROŠ, O. Využití neuronových sítí pro stanovení zátěžových zón [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.cs
dc.identifier.other167549cs
dc.identifier.urihttps://hdl.handle.net/11012/253432
dc.language.isoskcs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectVariabilita srdcovej frekvenciesk
dc.subjectDFA 1sk
dc.subjectumelé neurónové sietesk
dc.subjectaeróbny prahsk
dc.subjectanaeróbny prahsk
dc.subjectkonvolučné neurónové sietesk
dc.subjectLSTMsk
dc.subjectHeart rate variabilityen
dc.subjectDFA 1en
dc.subjectartificial neural networksen
dc.subjectaerobic thresholden
dc.subjectanaerobic thresholden
dc.subjectconvolutional neural networksen
dc.subjectLSTMen
dc.titleVyužití neuronových sítí pro stanovení zátěžových zónsk
dc.title.alternativeApplication of neural networks for determining load zonesen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2025-06-17cs
dcterms.modified2025-06-17-16:25:36cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid167549en
sync.item.dbtypeZPen
sync.item.insts2025.06.18 06:01:29en
sync.item.modts2025.06.18 05:41:59en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
3.59 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
10.91 KB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_167549.html
Size:
4.93 KB
Format:
Hypertext Markup Language
Description:
file review_167549.html
Download
Collections
2025